[论文解读] RepeatNet: A Repeat Aware Neural Recommendation Machine for Session-based Recommendation

Pengjie Ren, Zhumin Chen+4 more|arXiv (Cornell University)|Dec 6, 2018

Recommender Systems and TechniquesComputer Science参考文献 16被引用 17

一句话总结

RepeatNet 是一种新颖的神经推荐模型，通过引入具有双解码器的重复-探索机制，显式建模会话推荐中的重复消费行为，以重用历史项目并发现新项目。它在三个基准数据集上优于最先进方法，尤其在重复率和数据集规模增加时，MRR 和 Recall 指标均有显著提升。

ABSTRACT

Recurrent neural networks for session-based recommendation have attracted a lot of attention recently because of their promising performance. repeat consumption is a common phenomenon in many recommendation scenarios (e.g., e-commerce, music, and TV program recommendations), where the same item is re-consumed repeatedly over time. However, no previous studies have emphasized repeat consumption with neural networks. An effective neural approach is needed to decide when to perform repeat recommendation. In this paper, we incorporate a repeat-explore mechanism into neural networks and propose a new model, called RepeatNet, with an encoder-decoder structure. RepeatNet integrates a regular neural recommendation approach in the decoder with a new repeat recommendation mechanism that can choose items from a user's history and recommends them at the right time. We report on extensive experiments on three benchmark datasets. RepeatNet outperforms state-of-the-art baselines on all three datasets in terms of MRR and Recall. Furthermore, as the dataset size and the repeat ratio increase, the improvements of RepeatNet over the baselines also increase, which demonstrates its advantage in handling repeat recommendation scenarios.

研究动机与目标

• 解决神经会话推荐系统中对重复消费行为缺乏显式建模的问题。
• 在用户频繁重复消费相同项目的场景中（如电子商务、音乐、电视）提升推荐性能。
• 开发一种机制，动态决定何时推荐已交互过的项目，何时推荐新项目。
• 在统一框架内实现模式切换（重复 vs. 探索）与项目打分的端到端学习。

提出的方法

• 采用基于 GRU 的编码器-解码器架构来表示会话历史。
• 引入重复-探索机制，学习两种推荐模式之间的切换概率：重复（推荐历史项目）和探索（推荐未见过的项目）。
• 使用两个解码器：一个用于计算重复模式下的推荐概率（针对历史项目），另一个用于探索模式下的推荐概率（针对未见项目）。
• 通过概率融合将模式切换概率与两个解码器的项目得分结合，生成最终的推荐分数。
• 使用推荐损失和模式预测损失的联合优化进行端到端训练。
• 引入注意力机制以增强表征学习，并通过消融研究评估其与重复机制的互补性。

实验结果

研究问题

• RQ1 神经模型能否有效学习在会话推荐中何时推荐已消费项目，何时推荐新项目？
• RQ2 显式建模重复消费行为对标准基准数据集上的性能有何影响？
• RQ3 重复机制与注意力机制在提升推荐质量方面的相对贡献如何？
• RQ4 RepeatNet 的性能提升是否随着重复率提高和数据集规模增大而增强？
• RQ5 联合学习模式预测与项目推荐是否有益，还是会导致过度拟合于重复推荐？

主要发现

• RepeatNet 在所有三个基准数据集（YOOCHOOSE、DIGINETICA、LASTFM）上均优于最先进基线模型，MRR 和 Recall 指标表现更优。
• 在 YOOCHOOSE 数据集上，RepeatNet 的 Recall@20 达到 70.71%，MRR@20 达到 31.03%，显著优于 Improved-GRU4REC。
• 重复机制对 MRR 提升贡献更大，而注意力机制有助于提升 Recall，两者结合可获得最佳性能。
• RepeatNet 的性能增益随重复率提高和数据集规模增大而增强，证实其在高重复场景下的有效性。
• 联合训练推荐损失与模式预测损失略微降低性能，表明仅使用推荐损失即可作为模式学习的强监督信号。
• 消融研究显示，YOOCHOOSE 数据集中，带有重复机制的 RepeatNet 在重复会话上的 Recall@20 达到 97.41%，而无该机制时为 93.70%，证明了该机制在重复感知推荐中的显著影响。